W tym blogu będziemy trenować model regresji liniowej i oczekiwać, że będzie on działał poprawnie na świeżych danych wejściowych.
Podstawową ideą każdego modelu uczenia maszynowego jest to, że jest on wystawiony na dużą liczbę danych wejściowych, a także dostarczane są dla niego odpowiednie dane wyjściowe. Analizując coraz więcej danych, stara się ustalić związek między danymi wejściowymi a wynikiem.
Rozważmy bardzo prymitywny przykład, gdy musimy zdecydować, czy nosić kurtkę, czy nie w zależności od pogody. Masz dostęp do danych szkoleniowych, jak to nazywamy –
+---------------------+---------------+
| Outside Temperature | Wear a Jacket |
+---------------------+---------------+
| 30°C | No |
| 25°C | No |
| 20°C | No |
| 15°C | Yes |
| 10°C | Yes |
+---------------------+---------------+
W jakiś sposób twój umysł znajduje związek między danymi wejściowymi (temperatura) a danymi wyjściowymi (decyzja o noszeniu kurtki).
Więc, jeśli temperatura wynosi 12 ° C, nadal nosiłbyś kurtkę, chociaż nigdy nie powiedziano ci wyniku dla tej konkretnej temperatury.
Teraz, przejdźmy do nieco lepszego problemu algebraicznego, który komputer rozwiąże za nas.
Zanim zaczniemy, nie zapomnij zainstalować scikit-learn, zapewnia on łatwe w użyciu funkcje i predefiniowane modele, co oszczędza wiele czasu
pip install scikit-learn
Tutaj X jest wejściem, a y jest wyjściem.
Dając zestaw treningowy można łatwo zgadnąć, że dane wyjściowe (y) to nic innego jak (x1 + 2*x2 + 3*x3).
Jak wygenerować zbiór treningowy
Model ML – Regresja liniowa
Praca z modelem regresji liniowej jest prosta. Tworzymy model, trenujemy go, a następnie używamy:)
Train The Model
Mamy gotowy zbiór treningowy, więc stwórz model regresji liniowej i przekaż mu dane treningowe.
Dane testowe
.